基于優化SVM的BUCK電路故障診斷方法

摘"要：核心功率器作為功率變換器的重要組成部分，一旦發生故障，直接影響電路的安全運行。為此設計核心功率器件的加速退化實驗方案，采用加速退化實驗中退化程度最為嚴重的電解電容和SiC MOSFET功率管代表DC-DC變換器的軟故障器件。實驗設定5種工況條件，分別采集每種工況條件下的4種電路信號。采用ReliefF算法對48維特征進行特征優選，采用粒子群算法優化支持向量機（PSO-SVM）進行故障分類，并與SVM、KNN分類算法進行對比分析，驗證了所提方法的優越性。實驗結果表明：PSO-SVM故障診斷方法可以獲得更高的故障診斷率。

關鍵詞：功率變換器；SiC MOSFET功率管；加速退化實驗；PSO-SVM

中圖分類號：TP306.3""文獻標志碼：A""文章編號：1671-5276（2024）02-0220-04

Fault Diagnosis Method of BUCK Circuit Based on SVM Optimization

XU Yuchen， WANG Youren， CHANG Shuo

（College of Automation Engineering，Nanjing University of Aeronautics and Astronautics，Nanjing 210016，China）

Abstract：As an important part of the power converter， the failure of the core power converter will directly affect the safe operation of the circuit. Therefore， this paper designs the accelerated degradation experiment of core power devices， and the electrolytic capacitor and SiC MOSFET power tube with the most serious degradation degree in the accelerated degradation experiment are adopted to represent the soft fault devices of DC-DC converter. Five working conditions are set to collect four circuit signals under each working condition. Relief algorithm is used to optimize the 48-dimensional features， particle swarm algorithm is applied to optimally support vector machine （PSO-SVM） for fault classification， and comparison by SVM and KNN classification algorithm is conducted， which verifies the superiority of the proposed method. The experimental results show that the PSO-SVM fault diagnosis method can obtain higher fault diagnosis rate.

Keywords：power converter；SiC MOSFET power tube；accelerated degradation test；PSO-SVM

0"引言

功率變換器以其低噪聲、高效率、高功率密度等優勢，廣泛應用于工業、軌道交通、航空航天等領域，擔負著電能變換、電能控制等關鍵作用。功率變換器通常工作于高溫、高壓、大電流的環境中，可能因器件老化、環境干擾、安裝不當和機械振動等原因而出現故障。由于傳統的事后維修、預防性維修等方式，存在庫存備件投資過剩、計劃外維修次數過多、時效性差及效率低等問題［1］。

功率變換器故障診斷方法可以分為基于模型的方法、基于信號的方法、基于知識的方法和混合方法［2］。CHEN H等［3］通過分析所測的健康模式與單/雙晶體管短路或開路模式之間的方均根電流特性變化，開發了一種功率變換電路的故障診斷方法。通過觀察感應電流隨時間的斜率變化，SHAHBAZI M等［4］提出了一種故障診斷方法，用于非隔離式DC-DC轉換器中的開路和短路開關故障診斷。MOOSAVI S S等［5］提出了一種基于主成分分析（PCA）和多類相關向量機（PCA-mRVM）的故障診斷方法，以診斷H橋多電平逆變器系統中的開路故障。傅宏輝等［6］提出了一種基于輔助分類生成對抗網絡的功率變換器參數性故障智能診斷方法，由ACGAN中生成器構造與真實故障特征分布近似的偽數據，從而將偽數據與真實數據同時用于訓練判別器，判別器通過判別真偽數據來訓練生成器，結果表明ACGAN算法用于故障診斷的優越性。SOUALHI A等［7］提出了一種基于信號和數據驅動的方法，應用于感應電動機的故障檢測和診斷，通過信號處理提取了許多故障敏感特征，最后采用數據驅動的分類器對故障模式進行分類。SUN Q等［8］提出了一種結合DBN和小波包能量譜來診斷SEPIC變換器故障的新方法。

本文設計了SiC MOSFET功率管DC-DC變換器，通過實驗對電路軟故障診斷技術進行研究，采用ReliefF算法選取電路故障特征參數，利用KNN、SVM和PSO-SVM進行電路故障診斷。

1"電路故障診斷方法設計

1.1"DC-DC變換器監測信號選擇

在造成功率變換器產生故障原因中，電解電容與功率開關器件失效率比例在所有失效原因中占比高達64%［9］。因此本文將BUCK電路中的輸出電容與SiC MOSFET作為變換器關鍵功率器件。選擇輸入電壓、輸出電壓、二極管兩端電壓VDf、PWM控制信號這4種電路信號作為監測信號。圖1所示為BUCK電路拓撲圖。

1.2"特征參數優選

確定了與電路核心元件衰退特征參數敏感的檢測信息后，還必須深入對測試信號進行挖掘與解析，以便得到可以表征核心元件衰退狀況的特征參數。在時域、頻域中解析監測信號的特征，并運用小波分析與集合經驗模式分解方法在時頻域中求出電路的特征參數，建立特征參數候選庫。計算出9個時域特征、11個頻域特征，小波包分析得到18個特征參數，集合經驗模態分解（EEMD）得到10個特征參數，構成了48維的健康表征參數候選庫。

對于已建立的健康特征參數庫，需要從中選出最優特征參數。采用ReliefF算法進行特征優選，對48個電路故障特征參數進行優選，圖2所示分別為輸入電壓、輸出電壓、二極管兩端電壓、PWM控制信號這4種信號的48個電路故障特征參數權重分布。

1.3"PSO-SVM算法設計

慣性權重ω體現的是粒子繼承先前速度的能力，在PSO算法中，大的慣性權值有利于全局搜索，而較小的更有利于局部搜索，從線性式（1）和非線性式（2）進行慣性權重的選擇［10］。

ω（k）=ωstart－（ωstart－ωend）（Tmax－k）/Tmax

（1）

ω（k）=ωstart－（ωstart－ωend）［2k/Tmax－（k/Tmax）2］

（2）

式中：ωstart為初始慣性權重；ωend為迭代至最后的慣性權重；k為當前迭代次數；Tmax為最大迭代次數。

一般來說慣性權重取值ωstart=0.9、ωend=0.4時算法性能最好，采用線性和非線性兩種規則進行慣性權重的選擇，如圖3所示。

由圖3可知非線性的規則比線性規則更快地從全局搜索轉換到局部搜索。

2"實驗設計

2.1"加速退化實驗設計

1）電解電容退化實驗

a）加速應力選擇

由于電解電容的老化過程與其工作環境溫度密切相關，其故障特征參數對溫度變化敏感。因此在電解電容退化實驗中選擇溫度應力作為加速應力，使用恒溫試驗箱作為高溫加速退化實驗的實驗儀器。

b）加速退化實驗步驟

第一步，在室溫條件下（實驗中室溫為25℃）采用Agilent 4236B LCR測試儀對12只規格為470uF/35V的電解電容的電容值C和等效串聯電阻值RESR進行測量，測試頻率設置為120Hz，偏置電壓設置為1 000mV，每個電解電容測量5組數據，并計算5組數據的平均值作為電解電容特征參數的健康值，測試電路實物圖如圖4所示。

第二步，將恒溫試驗箱的溫度設置為100℃，12只電解電容放入恒溫試驗箱中，在高溫應力下對其模擬加速退化，實驗裝置如圖5所示。每30h取出，冷卻至室溫，采用Agilent 4236B LCR測試儀進行5次測量，計算平均值并進行記錄。

使用Agilent 4236B LCR測試儀進行測試電解電容的電容值C，Agilent 4236B LCR測試儀的精度是0.1%。

2）SiC MOSFET退化實驗

設計高低溫沖擊實驗作為SiC MOSFET功率管的加速退化實驗。在兩個極端溫度之間被動循環加熱冷卻器件，從而導致整個功率開關器件模塊溫度發生較大變化，通過加速封裝互連的退化，利用器件內部材料熱膨脹系數的不匹配來加速器件封裝退化，引起由于蠕變和疲勞損傷造成的器件失效。本節設計的溫度沖擊循環實驗中加熱和冷卻裝置需要保持溫度恒定，與功率循環老化實驗相比，能夠實現更精確的溫度控制。

實驗將SiC MOSFET功率管器件放置在加熱裝置內保持一定的時間，然后在另一個冷卻裝置內保持一定的時間，且放置時間足夠長，保證被測器件具有均勻的溫度分布。由于兩個裝置之間的轉換時間不會加速老化，因此應該盡可能縮短兩個裝置間轉移的時間（本實驗中被測SiC MOSFET功率管的最大結溫為150 ℃）。參考國家標準GJB 150.5A—2009，實驗步驟如下。

a）在室溫下采用搭建的測試電路對12只型號為C2M0080120D的SiC MOSFET功率管的漏源極導通電阻值Rds，on進行測量，每個SiC MOSFET功率管測量5組數據，取5組數據的平均值作為漏源極導通電阻特征參數的初始值。

b）對12只型號為C2M0080120D的SiC MOSFET功率管進行溫度沖擊循環實驗，設置加熱裝置的溫度為150℃，在150℃下保持30min，然后迅速將SiC MOSFET功率開關管放置在0℃的低溫冷卻裝置下保持30min（轉移時間控制在2min內），此時溫度差ΔT為150℃。

2.2"實驗平臺設計

實驗平臺如圖6所示，主要由電路部分和數據采集兩部分組成。其中電路部分由BUCK電路、供電模塊以及mcu與檢測電路組成的PID控制模塊、滑動功率電阻器（10Ω/500W）組成；實驗數據采集部分由Handyscope HS4四通道數據采集卡（最大分辨率：16 位）、PC 機（聯想YOGA14S）、數據卡上位機軟件Tiepie Multi Channel（設置采樣頻率為5MHz）組成。

2.3"實驗方案設計

1）故障模式設置

針對DC-DC變換器的軟故障診斷，設置了4種電路故障模式。主要考慮器件的早期失效情況，設置電解電容故障下的電容值C降低初始值的5%～20%，等效串聯電阻RESR升高初始值的5%～100%；SiC MOSFET功率管故障模式下的導通電阻值升高初始值的5%～20%，如表1所示。

2）工況條件設置

在設置了4種故障模式的情況下，為了模擬實際工況變化情況對實驗電路與故障診斷效果的影響，通過調節直流穩壓電源電壓值與滑動功率電阻值，使電路工作在不同的輸入電壓與輸出負載。設置了5種電路工作狀況條件，如表2所示，其中標準工作狀況設置工況編號為1。

2.4"實驗電路故障診斷結果分析

由于在2.1節中對電解電容和SiC MOSFET功率管進行了加速退化實驗，元器件的故障特征參數發生了改變，因此利用元器件退化前后表征器件的健康狀態和早期退化狀態，可以得到電路4種故障模式下的信號。由于電解電容退化程度最為嚴重的電容值減小了初始值的11%，SiC MOSFET功率管的導通電阻增加了初始值的10%，因此已經達到2.3節設置的軟故障模式的條件。

把特征優選后的特征參數作為3種故障診斷分類器KNN、SVM、PSO-SVM的輸入，圖7為5種工況共1 000組樣本，200組作為訓練組，800組作為測試組同時訓練，進行故障診斷的實驗結果分析。

圖7（a）顯示KNN分類器對ReliefF提取的故障特征數據集的整體故障診斷率達50.0%。圖7（b）表明SVM算法對ReliefF提取的故障特征數據集的整體故障診斷率達90.9%。圖7（c）表明PSO-SVM算法對ReliefF提取的故障特征數據集有極好的故障診斷效果，故障診斷率達97.4%。

3"結語

本文設計了基于SiC MOSFET功率管的DC-DC BUCK電路。針對DC-DC變換器的軟故障，研究了基于KNN、SVM和PSO-SVM的故障診斷方法。選用加速退化實驗中退化程度最為嚴重的電解電容和SiC MOSFET功率管作為DC-DC變換器的軟故障器件，將采集的電路信號計算特征參數，采用ReliefF算法選取故障特征參數，采用故障診斷方法進行分析。對比分析3種故障診斷結果，表明使用PSO-SVM方法對BUCK電路進行故障診斷效果最好，可以有效地診斷DC-DC變換器的軟故障。

參考文獻：

［1］ 孫權. 功率變換器故障辨識與健康狀態評估關鍵技術研究［D］. 南京：南京航空航天大學，2018.

［2］ 高鵬飛. 峰值電流控制模式DC-DC BUCK變換器的斜坡補償研究［J］. 通信電源技術，2019，36（6）：127-128.

［3］ CHEN H，LU S L. Fault diagnosis digital method for power transistors in power converters of switched reluctance motors［J］. IEEE Transactions on Industrial Electronics，2013，60（2）：749-763.

［4］ SHAHBAZI M，JAMSHIDPOUR E，POURE P，et al. Open- and short-circuit switch fault diagnosis for nonisolated DC-DC converters using field programmable gate array［J］. IEEE Transactions on Industrial Electronics，2013，60（9）：4136-4146.

［5］ MOOSAVI S S，DJERDIR A，AIT-AMIRAT Y，et al. Artificial neural network-based fault diagnosis in the AC-DC converter of the power supply of series hybrid electric vehicle［J］. IET Electrical Systems in Transportation，2016，6（2）：96-106.

［6］ 傅宏輝，王友仁，孫燦飛，等. 基于ACGAN的功率變換器參數性故障診斷方法［J］. 機械制造與自動化，2019，48（6）：159-163.

［7］ SOUALHI A，CLERC G，RAZIK H. Detection and diagnosis of faults in induction motor using an improved artificial ant clustering technique［J］. IEEE Transactions on Industrial Electronics，2013，60（9）：4053-4062.

［8］ SUN Q，WANG Y R，JIANG Y Y，et al. Fault diagnosis of SEPIC converters based on PSO-DBN and wavelet packet energy spectrum［C］//2017 Prognostics and System Health Management Conference （PHM-Harbin）. Harbin，China： IEEE，2017：1-7.

［9］ CEN Z H，STEWART P. Condition parameter estimation for photovoltaic buck converters based on adaptive model observers［J］. IEEE Transactions on Reliability，2017，66（1）：148-160.

［10］ 李愛國，覃征，鮑復民，等. 粒子群優化算法［J］. 計算機工程與應用，2002，38（21）：1-3，17.

收稿日期：20220914